Oleh : EDDY EFFENDI 2501 2013 0035 ARTIKEL...
Transcript of Oleh : EDDY EFFENDI 2501 2013 0035 ARTIKEL...
ANALISIS FAKTOR-FAKTOR ANTROPOGENIKDAN SKENARIO EMISI KARBONDIOKSIDA DI INDONESIA
MENGGUNAKAN MODEL STIRPAT
Oleh :EDDY EFFENDI2501 2013 0035
ARTIKEL ILMIAH
Untuk memenuhi salah satu syarat ujianguna memperoleh gelar Magister Ilmu Lingkungan
Program Pascasarjana Program Studi Ilmu LingkunganKonsentrasi Perencanaan Pengelolaan Sumber Daya Alam dan Lingkungan Hidup
PROGRAM STUDI MAGISTER ILMU LINGKUNGANPROGRAM PASCASARJANA
UNIVERSITAS PADJADJARANBANDUNG
2015
i
ANTHROPOGENIC FACTORS’ ANALYSIS AND CARBONDIOXIDE EMISSIONS SCENARIOS USING STIRPAT MODEL
Eddy Effendia; Sunardi, Ph.Db
University of Padjadjaran
ABSTRACT
Climate change becomes a serious issue globally nowadays. Moreover, itsrate is exacerbated by human activities that is known as anthropogenic climatechange. Among the greenhouse gases that are the main source of climate changeand becomes dominant generating from human activities is carbon dioxide.Therefore, international efforts to overcome the negative impacts of climatechange by focusing on carbon dioxide emissions reduction worldwide are a keypolicy objective.
This study used STIRPAT model as an analytical tool to assess carbondioxide emissions due to human activities in Indonesia with three anthropogenicfactors as predictors, namely population growth, economic growth, andtechnological change. This research is classified as quantitative research thataims to analyze the influence and contribution of anthropogenic factors on carbondioxide emissions in Indonesia, to determine carbon dioxide emissions projectionin Indonesia using some scenarios, and to identify policy implications andformulate policy suggestions.
The results show that the population is a factor with the greatest influenceand contribution for each increase of 1% to carbon dioxide emissions inIndonesia amounted to 1.26 % and 21.50% respectively, but GDP per capita isthe largest with 2.64% and 45.05% if it is seen in cumulative. For carbon dioxideemissions projections in Indonesia by the year 2020 will reach 700-800megatonnes whereas for the post-2020 period there will be an increase of about200-300 megatonnes per 5 years. From these results imply that Indonesia canincrease the growth rate of real GDP and the reduction rate of primary energyintensity in high figure while the population growth and primary energyconsumption are set in medium rate.
Keywords: anthropogenic climate change, carbon dioxide emissions,anthropogenic factors, STIRPAT model
______________________________________a Master Programme on Environmental Science
e-mail address: [email protected] Lecturer at Master Programme on Environmental Science
ii
ANALISIS FAKTOR-FAKTOR ANTROPOGENIKDAN SKENARIO EMISI KARBONDIOKSIDA DI INDONESIA
MENGGUNAKAN MODEL STIRPAT
Eddy Effendia; Sunardi, Ph.Db
Universitas Padjadjaran
ABSTRAK
Perubahan iklim menjadi salah satu permasalahan yang mendapatperhatian serius dunia dewasa ini. Apalagi lajunya diperparah oleh aktifitasmanusia sehingga dikenal sebagai perubahan iklim antropogenik. Dari deretan gasrumah kaca yang menjadi sumber utama perubahan iklim dan menjadi yangdominan dihasilkan dari aktifitas manusia adalah karbondioksida. Untuk itu,upaya internasional dalam menanggulangi dampak negatif perubahan iklimdengan berfokus kepada reduksi emisi karbondioksida merupakan sasarankebijakan kunci.
Dalam studi ini digunakan model STIRPAT sebagai alat analisis yangdigunakan untuk mengkaji emisi karbondioksida di Indonesia akibat aktifitasmanusia dengan tiga faktor antropogenik sebagai prediktor, yaitu pertumbuhanpopulasi, pertumbuhan ekonomi, dan perubahan teknologi. Penelitian inimerupakan penelitian kuantitatif yang bertujuan untuk menganalisis pengaruh dankontribusi faktor-faktor antropogenik terhadap emisi karbondioksida di Indonesia,untuk mengetahui proyeksi emisi karbondioksida di Indonesia menggunakanbeberapa skenario, dan untuk mengetahui implikasi kebijakan serta merumuskansaran kebijakan.
Hasil menunjukkan bahwa populasi merupakan faktor dengan pengaruhdan kontribusi terbesar untuk setiap kenaikan 1% terhadap emisi karbondioksidadi Indonesia sebesar 1,26% dan 21,50%, tetapi jika dilihat untuk kenaikan secarakumulatif maka PDB per kapita yang terbesar dengan 2,64% dan 45,05%. Untukproyeksi emisi karbondioksida di Indonesia pada tahun 2020 akan mencapai 700-800 megaton dimana untuk periode pasca-2020 akan terjadi kenaikan sekitar 200-300 megaton per 5 tahun. Dari hasil tersebut mengimplikasikan bahwa Indonesiadapat meningkatkan laju pertumbuhan PDB riil dan laju pengurangan intensitasenergi primer secara tinggi sementara laju pertambahan populasi dan lajupeningkatan konsumsi energi primer bisa ditetapkan secara sedang.
Kata kunci: perubahan iklim antropogenik, emisi karbondioksida, faktor-faktorantropogenik, model STIRPAT
----------------------------------------------a Program Magister Ilmu Lingkungan
e-mail: [email protected] Dosen pada Program Magister Ilmu Lingkungan
1
1. PENDAHULUAN
1.1 Latar Belakang Penelitian
Intergovernmental Panel on Climate Change/IPCC (2001) menyebutkan
bahwa konsepsi perubahan iklim merujuk pada setiap perubahan dalam iklim pada
suatu selang waktu tertentu, apakah diakibatkan oleh variasi alamiah atau karena
aktivitas manusia. Laporan dari IPCC tersebut menyebutkan bahwa aktivitas
manusia berkontribusi lebih besar ketimbang faktor alami dalam kenaikan suhu
rata-rata global, dimana pada tahun 2100 diprediksi peningkatan suhu global
mencapai 1,4 - 5,8oC yang variasinya bergantung kepada kemampuan untuk
mengendalikan emisi Gas Rumah Kaca/GRK. Komponen GRK yang berperan
dalam peningkatan suhu global, antara lain : karbondioksida/CO2 merupakan
penyebab utama perubahan iklim yang persentasenya mencapai 64%, metana/CH4
sebesar 19%, kloroflorokarbon/CFCs sebesar 11% dan dinitrogen oksida/N2O
sebesar 6%) (Cunningham & Cunningham, 2006). IPCC (2007) menyatakan
bahwa 77% emisi CO2 berasal dari bahan bakar fosil sebesar 57%, deforestasi dan
pembusukan biomassa (decay of biomass) sebesar 17%, dan faktor lain sebesar
3%. Aktifitas manusia tersebut yang mengemisikan GRK disebut perubahan iklim
antropogenik (anthropogenic climate change).
Oleh karena itu, upaya internasional menanggulangi dampak negatif
perubahan iklim dengan berfokus kepada pengurangan emisi CO2 secara global
adalah sasaran kebijakan kunci. Inilah mengapa hal tersebut begitu penting untuk
memahami variabel-variabel utama yang berdampak terhadap peningkatan emisi
CO2, karena zat tersebut merupakan polutan global sehingga dengan hanya
mengupayakan pengendalian emisi CO2 maka akan secara merta mengurangi
emisi polutan lokal dan regional, seperti SO2, NOx, CO dan partikulat (Bowitz,
Sasmitawidjaja, Sugiarto, 1996).
Berkaitan dengan perubahan iklim antropogenik, terdapat 5 faktor
antropogenik yang berkontribusi dalam perubahan lingkungan global (global
environmental change) secara umum dan perubahan iklim secara khusus, antara
lain : 1) pertumbuhan populasi, 2) pertumbuhan ekonomi, 3) tingkat teknologi, 4)
2
institusi ekonomi dan politik, dan 5) sikap dan keyakinan (Stern, Young &
Druckman, 1992). IPAT (Impact = Population-Affluence-Technology) yang
diperkenalkan oleh Ehrlich dan Holdren pada tahun 1970an yang kemudian
dimodifikasi menjadi STIRPAT (Stochastic Impact by Regression on Population-
Affluence-Technology) oleh Dietz dan Rosa pada pertengahan dekade 1990an
merupakan alat analisis (analysis tools) yang secara luas digunakan untuk
menganalisis faktor-faktor tersebut di atas untuk mengkaji emisi antropogenik
dalam perubahan iklim.
Dietz dan Rosa (1997) yang mengkaji pengaruh populasi dan kemakmuran
terhadap emisi karbondioksida pada data panel lintas negara menyimpulkan
bahwa populasi memiliki efek tidak menguntungkan untuk negara-negara
berpenduduk besar dan pengaruh kemakmuran mencapai klimaks pada PDB per
kapita sekitar 10.000 dollar AS yang akan menurun seiring meningkatnya tingkat
kemakmuran. Adapun teknologi dimasukkannya sebagai residual term yang tidak
masuk secara eksplisit dalam kedua faktor di atas. Lebih jauh, Shi (2003)
menegaskan efek populasi dari temuan Dietz dan Rosa bahwa perubahan populasi
secara global sejak dua dekade terakhir adalah lebih dari sekedar proporsional
terhadap kenaikan emisi karbondioksida dimana kenaikan 1% populasi akan
meningkatkan emisi 1,58% untuk negara berpendapatan rendah, 1,97% bagi
negara berpendapatan menengah-bawah, 1,42% untuk negara berpendapatan
menengah-atas, dan 0,83% bagi negara berpendapatan tinggi. Artinya, dampak
perubahan populasi terhadap emisi karbondioksida tersebut sangat nampak jelas
pada negara-negara berkembang ketimbang negara-negara maju. Di lain pihak,
hasil analisis Fan et al. (2006) dalam kajian dampak populasi, kemakmuran dan
teknologi terhadap emisi karbondioksida pada 4 golongan berbeda (negara
berpendapatan kapita tinggi, menengah-atas, menengah-bawah, dan rendah)
menyatakan bahwa terdapat pengaruh yang berbeda dari faktor-faktor tersebut
terhadap emisi karbondioksida berdasarkan keragaman PDB per kapitanya. Hasil
analisis Li et al. (2011) menggunakan model Path-STIRPAT dalam penelusuran
faktor-faktor antropogenik emisi CO2 untuk kasus di negara Cina menyebutkan
bahwa teknologi memiliki kontribusi terbesar dalam emisi total CO2 maka
3
peningkatan tingkat teknologi (technological level) merupakan cara ampuh dalam
pengurangan emisi CO2 di Cina.
Pada tahun 2009 Pemerintah Indonesia menyatakan tekad secara sukarela
(voluntary pledge) pada kesempatan pertemuan G20 di Pittsburg dan COP15
(15th Conference of the Parties) di Kopenhagen untuk menurunkan emisi
karbondioksida sebesar 26% dengan upaya sendiri dan 41% dengan dukungan
internasional dari skenario dasar/business-as-usual (BAU) (UNEP, 2012;
Bappenas, 2013). Peraturan Presiden nomor 61 tahun 2011 tentang Rencana Aksi
Nasional Penurunan Emisi Gas Rumah Kaca (RAN-GRK) merupakan
pengejawantahan dari tekad sukarela tersebut yang kemudian menjadi panduan
bagi pemerintah daerah (kabupaten/kota dan provinsi) dalam penyusunan Rencana
Aksi Daerah Penurunan Emisi Gas Rumah Kaca (RAD-GRK) sebagai upaya
pemerintah dalam mitigasi perubahan iklim.
Disamping itu, pada tahun 2006 Pemerintah Indonesia telah menetapkan
kebijakan energi nasional melalui Peraturan Presiden Republik Indonesia nomor 5
tahun 2006 yang menyoroti bauran energi (energy mix) primer pada tahun 2025
dalam pengembangan EBT untuk mengurangi ketergantungan konsumsi bahan
bakar fosil yang merupakan sumber emisi karbondioksida yang potensial,
pencapaian energi elastisitas kurang dari 1 dan laju pengurangan intensitas energi
1% per tahun pada tahun 2025. Di lain pihak, Pemerintah Indonesia mengeluarkan
Peraturan Presiden Republik Indonesia nomor 32 tahun 2011 yang menyoroti
tentang laju pertumbuhan ekonomi yang pesat (not business-as-usual) yang
ditargetkan menjadi 7% - 9% per tahun dalam mendorong Indonesia sebagai
negara berpendapatan tinggi (US$ 13.000-16.000) pada tahun 2025.
Dengan menjadikan semua hal tersebut sebagai pertimbangan, maka dirasa
perlu untuk melakukan penelusuran faktor-faktor antropogenik yang berpengaruh
terhadap emisi karbondioksida di Indonesia yang kajian dan literaturnya terhadap
hal tersebut masih kurang. Yang selanjutnya dilakukan estimasi emisi CO2 di
Indonesia pada tahun 2020 dalam melihat ketercapaian voluntary pledge dan pada
tahun 2025 dalam menilik pengaruh bauran energi primer dan laju pertumbuhan
ekonomi yang tinggi di Indonesia menggunakan beberapa skenario.
4
1.2 Rumusan Masalah
Dari uraian latar belakang di muka, masalah penelitian ini dapat dinyatakan
sebagai berikut :
1. Bagaimanakah pengaruh dan kontribusi diantara faktor-faktor
antropogenik terhadap emisi karbondioksida di Indonesia?
2. Berapakah proyeksi emisi karbondioksida di Indonesia pada tahun 2010-
2035 menggunakan beberapa skenario?
3. Apakah implikasi dan saran kebijakan nasional dari hasil analisis dan
proyeksi menggunakan model STIRPAT pada tahun 2010-2035?
2. METODOLOGI DAN DATA
Desain penelitian yang digunakan adalah penelitian kuantitatif dengan
berlandaskan kepada diperolehnya data-data numerik yang diolah secara statistik
menggunakan piranti lunak NCSS 10 Data Analysis dan Statistica 12 untuk
keperluan analisis ketiga faktor antropogenik dan tren emisi karbondioksida
rentang 30 tahun serta Microsoft Excel 2007 untuk keperluan proyeksi emisi
karbondioksida menggunakan model STIRPAT terhadap beberapa skenario
periode 26 tahun yang asumsinya berasal dari kebijakan pemerintah Indonesia
atau sumber lain yang relevan. Skenario dan asumsinya diberikan Lampiran 1.
Jenis data yang digunakan dalam penelitian ini seluruhnya adalah data
sekunder. Data yang diperoleh berupa data urut waktu (time series) periode tahun
1980-2009 yang berupa data tunggal satu negara (Indonesia), pemilihan periode
waktu tersebut didasarkan kepada ketersediaan data. Sumber data berasal dari
World Economic Outlook (WEO) bulan April 2015 yang dikeluarkan
International Monetary Fund (IMF), Carbon Dioxide Information Analysis
Center (CDIAC) dari Oak Ridge National Laboratory yang diadopsi oleh World
Development Indicator (WDI) 2014 yang dikeluarkan Bank Dunia, dan British
Petroleum (BP) Statistical Review of World Energy 2015. Adapun variabel-
variabel yang digunakan dalam penelitian ini didefinisikan pada Tabel 1 berikut.
5
Tabel 1.
Deskripsi Variabel yang Digunakan dalam Analisis: 1980-2009
dan Proyeksi: 2010-2035i
No. Variabel Definisi Satuan Simbol Sumber1 Emisi CO2
ii Emisi CO2 yangdihasilkan daripembakaran bahanbakar fosil,produksi semen,dan flaring gasiii
Metrik ton pertahun
I WDI
2 Populasi Populasi tengahtahun
Orang P WEO
3 PDB perkapitaiv
PDB dibagipopulasi tengahtahun
Rupiah menurutharga konstan2010
A WEO
4 PerubahanTeknologi(=intensitasenergi primer)v
Konsumsi energiprimer per satuanPDB
tonnes of oilequivalent (toe)per satuanRupiah menurutharga konstan2010
T BP-WEO
5 PDBvi nilai pasar semuabarang dan jasayang diproduksioleh suatu negarapada periode 1tahunan
Rupiah menurutharga konstan2010
- WEO
6 KonsumsiEnergiPrimervi
Konsumsi energisebelum diubah kebentuk bahan bakarakhir
Million tonnesof oil equivalent(Mtoe)
- BP
Keterangan:i Tahun 2010 dipilih sebagai tahun dasar untuk keperluan proyeksi sesuai dengan
panduan RAN-GRK yang digariskan pemerintah Indonesia melalui Bappenas.Begitu pun, untuk tahun akhir sampai 2035 yang disesuaikan dengan proyeksipopulasi Indonesia yang disusun oleh Bappenas, BPS, dan UNFPA.
ii Emisi GRK yang diperhitungkan hanya emisi CO2 yang berasal dari pembakaranbahan bakar fosil, produksi semen, dan flaring gas tidak termasuk faktor LandUse, Land-Use Change and Forestry (LULUCF) dalam satuan CO2-ekuivalenkarena ketersediaan data.
iii Flaring gas (Gas suar bakar) adalah gas yang dihasilkan oleh kegiatan eksplorasidan produksi atau pengolahan minyak atau gas bumi yang dibakar karena tidak
6
dapat ditangani oleh fasilitas produksi atau pengolahan yang tersedia sehinggabelum termanfaatkan (Permen ESDM No. 31/2012 pasal 1 ayat (2)).
iv PDB perkapita yang dipilih dalam bentuk riil (harga konstan, bukan hargaberlaku) dalam mata uang Rupiah untuk keperluan perhitungan laju pertumbuhanjuga untuk menyesuaikan dengan satuan intensitas energi yang harus dalamsatuan mata uang lokal atau dalam satuan purchasing power parity.
v Intensitas energi dipilih untuk menggambarkan perubahan teknologi karena iaberhubungan dan memiliki relevansi yang tinggi dengan populasi ataupun tingkatekonomi seperti telah diulas di subbab 2.1.3.3. Yang diperhitungkan dalampenelitian ini adalah intensitas energi primer yang disesuaikan denganketersediaan data konsumsi energi primer dan laju pertumbuhannya.
vi PDB dan konsumsi energi primer digunakan untuk perhitungan PDB perkapitadan intensitas energi primer pada tahap proyeksi, dimana laju pertumbuhan padabentuk itu yang menjadi dasar asumsi dalam skenario.
Metode analisis yang digunakan adalah model STIRPAT yang
dikembangkan oleh Dietz dan Rosa (1997) melalui persamaan linear dan
polinomial berikut.
ln It = a + b ln Pt + c (ln Pt)2 + d ln At + e (ln At)
2 + f ln Tt + εt (1)
dan
ln It = a + b ln Pt + c ln At + d ln Tt + εt = a + b ln P0.(1+n)t + c ln A0.(1+g)t
+ d ln T0.(1-i)t + εt (2)
dimana:
I = emisi karbondioksida, P = populasi, A = PDB perkapita, dan T =
Intensitas Energi (=Konsumsi Energi Primer dibagi PDB), subskrip t menyatakan
tahun analisis, a-b-c-d-e = koefisien regresi (dalam bentuk persamaan logaritma
dinamakan juga sebagai elastisitas), ε = error term, n = laju pertumbuhan populasi
per tahun, g = laju pertumbuhan PDB perkapita per tahun, dan i = laju
pengurangan intensitas energi per tahun.
7
3. HASIL DAN PEMBAHASAN
3.1 Analisis Variabel
Hubungan kumulatif antara tiga prediktor terhadap responnya dapat
dideskripsikan pada Tabel 2 di bawah ini.
Tabel 2. Hubungan 3 Prediktor Terhadap Respon: 1980 dan 2009
Variabel Tahun 1980 Tahun 2009 Kenaikan Laju rata-rataEmisi CO2 94.784.616 453.105.521 378% 5,86%Populasi 147.490.000 234.300.000 59% 1,61%PDB per kapita 10.890.045 27.539.951 153% 3,33%Intensitas Energi 1,6068E-08 2,11944E-08 32% 1,03%
Tabel di atas menunjukkan bahwa persentase kenaikan dan laju rata-rata per
tahun emisi karbondioksida lebih besar dibandingkan dengan populasi, PDB
perkapita, ataupun intensitas energi. Rasio laju rata-rata per tahun respon terhadap
prediktor masing-masing adalah 3,64; 1,76; 5,59. Artinya, laju pertambahan emisi
karbondioksida meningkat hampir empat kali lipat daripada pertambahan
populasi, hampir dua kali lipat dari kenaikan PDB perkapita, dan hampir enam
kali lipat dari pengurangan intensitas energi. Pada bagian berikutnya akan
diuraikan mengenai hubungan antarvariabel di atas yang lebih mendalam
menggunakan analisis STIRPAT metode regresi linear berganda (multiple
regressions).
3.2 Analisis STIRPAT
Mengacu ke hasil regresi Ordinary Least Square/OLS di Lampiran 1 ataupun
Lampiran 2, maka penggunaan regresi OLS untuk persamaan STIRPAT
mengalami masalah yang ditandai dengan nilai Variance Inflation Factor/VIF
yang lebih besar dari 10 dan eigenvalue yang lebih tinggi dari 100. Dengan
demikian, model STIRPAT dalam studi ini menggunakan metode Ridge
Regression/RR seperti studi yang dilakukan oleh Wang, et al. (2011).
8
Dalam penelitian ini digunakan persamaan STIRPAT dalam bentuk linear dan
polinomial. Untuk keperluan penafsiran hubungan dampak prediktor terhadap
respon digunakan persamaan STIRPAT polinomial, sedangkan untuk kebutuhan
pengaruh dan kontribusi prediktor serta proyeksi emisi karbondioksida digunakan
STIRPAT linear. Oleh karena penentuan nilai k dalam RR memainkan peranan
penting, maka dalam hal ini digunakan pencarian k-optimum secara otomatis dari
piranti lunak NCSS 10 Data Analysis.
3.2.1 Persamaan STIRPAT Polinomial
Persamaan STIRPAT polinomial (Lampiran 3) dengan nilai k-optimum =
0,322897 diberikan sebagai berikut.
ln I = -3,106441 + 0,6636226 ln P + 0,01747673 (ln P)2 + 0,385908 ln A +
0,01165815 (ln A)2 + 0,363291 ln T + 0,1512 (R2 = 0,9178) (3)
Dari persamaan (3) diperoleh bahwa koefisien variabel populasi dalam bentuk
kuadrat bernilai positif artinya hubungan dua variabel berbanding lurus sehingga
Indonesia mengikuti pola Malthusian yang artinya bahwa peningkatan populasi di
Indonesia akan memberikan dampak berupa peningkatan emisi karbondioksida.
Mekanismenya mengikuti pola pertama dari Birdsall (1992) dimana populasi yang
semakin besar akan menghasilkan peningkatan dalam permintaan energi untuk
sumber tenaga, industri, dan transportasi yang pada gilirannya meningkatkan
emisi bahan bakar fosil. Mengenai berapa besar kenaikan emisi karbondioksida
untuk setiap 1% kenaikan populasi di Indonesia akan dijelaskan dalam persamaan
STIRPAT linear.
Di sisi lain, untuk pola kemakmuran, Indonesia tidak mengikuti hipotesis
EKC yang ditandai dengan tanda positif pada koefisien variabel PDB per kapita
dalam bentuk kuadrat. Artinya, peningkatan pertumbuhan ekonomi Indonesia
masih berbanding lurus dengan laju kenaikan emisi karbondioksidanya sehingga
masih tergolong kepada pembangunan ekonomi pra-industri (pertanian) dan/atau
industri jika mengacu kepada studi Panayotou tahun 1993. Mengenai berapa besar
9
kenaikan emisi karbondioksida untuk setiap 1% kenaikan PDB perkapita di
Indonesia akan dijelaskan dalam persamaan STIRPAT linear berikut.
3.2.2 Persamaan STIRPAT Linear
Persamaan STIRPAT linear (Lampiran 2) dengan nilai k-optimum =
0,127888 diberikan sebagai berikut.
ln I = -10,28536 + 1,26463 ln P + 0,792879 ln A + 0,4462734 ln T + 0,1319
(R2 = 0,9323) (4)
Persamaan (4) membuktikan bahwa koefisien dari setiap prediktor nilainya
tidak sama dengan satu, tidak seperti asumsi dalam IPAT ataupun Kaya identity
yang menganggap koefisiennya seragam (unitary) yang besarnya masing-masing
satu.
Untuk melihat pengaruh dan kontribusi dari ketiga faktor antropogenik
terhadap emisi karbondioksida di Indonesia diberikan pada Tabel 4.3. yang
diadaptasi dari Wang et al. (2011).
Tabel 2. Pengaruh dan Kontribusi Prediktor Kumulatif dan 1%
terhadap Emisi CO2
Lajupertumbuhanrata-rata pertahun
Pengaruhkumulatifterhadapemisi CO2
(koefisienregresi x lajupertumbuhanrata-rata pertahun)
Tingkatkontribusikumulatif(pengaruhterhadapemisi CO2 /lajupertumbuhanrata-rata pertahun emisiCO2)
Pengaruh1%terhadapemisi CO2
(=koefisienregresiatauelastisitas)
Tingkatkontribusi1%(pengaruhterhadapemisi CO2 /lajupertumbuhanrata-rata pertahun emisiCO2)
10
EmisiCO2
5,86%
Populasi 1,61% 1,26463 x1,61 =2,04%
2,04/5,86 x100% =34,81%
1,26% 1,26/5,86 x100% =21,50%
PDBperkapita
3,33% 0,792879 x3,33 =2,64%
2,64/5,86 x100% =45,05%
0,79% 0,79/5,86 x100% =13,48%
IntensitasEnergi
1,03% 0,4462734 x1,03 =0,46%
0,46/5,86 x100% =7,85%
0,45% 0,45/5,86 x100% =7,68%
Faktorlain
0,73% 12,29%
TOTAL 5,86% 100%
Dari Tabel 2 nampak bahwa besaran pengaruh laju pertambahan populasi
Indonesia secara kumulatif per tahun akan meningkatkan emisi
karbondioksidanya sebesar 2,04% per tahun saat variabel PDB perkapita dan
intensitas energi dijaga konstan yang kontribusinya sebesar 34,81%. Begitu pun
untuk PDB perkapita dan intensitas energi akan meningkatkan emisi
karbondioksida masing-masing sebesar 2,64% dan 0,46% per tahun dengan
kontribusinya sebesar 45,05% dan 7,85% tatkala dua variabel bebas lainnya
dibuat tetap.
Adapun besarnya pengaruh prediktor terhadap emisi karbondioksida
untuk setiap 1% kenaikan prediktor adalah sebesar nilai elastisitasnya1. Untuk
setiap 1% kenaikan populasi akan meningkatkan emisi karbondioksida 1,26% saat
PDB perkapita dan intensitas energi dijaga tetap; untuk setiap 1% kenaikan PDB
perkapita akan meningkatkan emisi karbondioksida 0,79% jika populasi dan
intensitas energinya tetap, dan untuk setiap 1% kenaikan intensitas energi akan
meningkatkan emisinya 0,45% saat dua variabel lainnya tetap.
1 Elastisitas adalah rasio perubahan persentase satu variabel bebas terhadap perubahanpersentase variabel terikat. Koefisien dalam persamaan regresi bentuk logaritma adalahelastisitas parsial karena variabel bebas lainnya dalam persamaan dijaga tetap. Misal: ln =+ ln + ln + ln + , maka dapat ditafsirkan bahwa setiap 1% perubahan dalam Pmenghasilkan perubahan persentase dalam I sebesar 100(1,01 − 1) saat variabel bebas Adan T tetap. Untuk nilai b kurang dari 10, nilai 100(1,01 − 1) dapat dianggap sama dengannilai b (Yang, 2012).
11
Meskipun pengaruh dan kontribusi terbesar untuk setiap kenaikan 1%
prediktor adalah populasi dengan 1,26% dan 21,50%, tetapi untuk pengaruh dan
kontribusi kumulatif terbesar adalah PDB perkapita, yaitu 2,64% dan 45,05%.
Artinya, begitu jelas terlihat bahwa PDB perkapita memiliki kontribusi yang
signifikan dalam peningkatan emisi karbondioksida di Indonesia. Lain halnya
dengan intensitas energi yang sebenarnya rendah dan seharusnya bisa mereduksi
emisi karbondioksida. Oleh karena intensitas energi berkebalikan dengan efisiensi
energi, dimana semakin rendah intensitas energinya menandakan energi yang
digunakan untuk menghasilkan per unit satuan ekonomi semakin efisien. Dengan
demikian, intensitas energi Indonesia pada periode tersebut belum banyak
memberikan peran dalam pengurangan emisi karbondioksida.
Selain itu, dari Tabel 2 dapat ditafsirkan bahwa terdapat faktor lain yang
menyebabkan kenaikan emisi karbondioksida di Indonesia yang tidak terwakili
oleh populasi, PDB perkapita, dan intensitas energi dengan kontribusinya sebesar
12,46%. Hasil dari tabel tersebut penting untuk dipertimbangkan dalam skenario
proyeksi emisi karbondioksida di Indonesia pada rentang 2010-2035.
3.3 Proyeksi Emisi Karbondioksida
Dari kedua puluh skenario yang dibandingkan terhadap BAU, terdapat 3
skenario di atas BAU (no. 9, 18 dan 20). Selebihnya berada di bawah BAU, 2
diantaranya penurunannya tidak signifikan (no. 6 dan 15) dan skenario no. 19
menjadi yang terbesar penurunannya (Lampiran 4).
Skenario no. 9 dan 18 memiliki pola yang serupa, yaitu memiliki
pertumbuhan PDB riil dan konsumsi energi primer yang tinggi masing-masing
sebesar 7% dan 6% baik pada pertumbuhan populasi 1% ataupun 1,19%. Begitu
pun, untuk skenario KEN yang memiliki pertumbuhan PDB riil yang lebih tinggi
lagi dan konsumsi energi yang cukup tinggi meskipun pertumbuhan populasinya
hanya 1% sebagaimana yang diproyeksikan oleh BPS, Bappenas, dan UNFPA.
Akan tetapi hal demikian tidak terjadi pada skenario no. 7 dan 8 ataupun no. 16
dan 17 pada pertumbuhan populasi yang rendah (1%) ataupun lebih tinggi
(1,19%), dimana pertumbuhan PDB riilnya tinggi namun diimbangi dengan
12
pertumbuhan konsumsi energi yang lebih rendah. Adapun pada skenario no. 6 dan
15 yang diadaptasi dari skenario RIKEN dimana laju elastisitas energi sebesar
0,94 dengan pertumbuhan PDB riil sebesar 6% tidak memberikan pengurangan
emisi karbondioksida yang berarti dari tahun ke tahun dalam rentang periode
proyeksi. Untuk skenario no. 19 yang merupakan skenario dengan penurunan
emisi terbesar yang asumsinya bersumber dari IEA memiliki angka pertumbuhan
populasi, PDB riil, konsumsi energi, dan intensitas energi jauh lebih rendah dari
angka-angka yang bersumber dari peraturan/laporan pemerintah, juga terdapat
irisan dengan asumsi dari BP, yaitu pada pertumbuhan konsumsi energi sebesar
2,5% per tahun (Lampiran 5). Dengan pertumbuhan konsumsi energi yang rendah
pada gilirannya akan menurunkan dengan cepat intensitas energi yang ditandai
dengan nilai yang semakin negatif jika dibandingkan dengan target pemerintah
sebesar -2,3% : -1% per tahun.
3.4 Implikasi dan Saran Kebijakan
Dari pembahasan di muka mengimplikasikan bahwa untuk mencapai
penurunan emisi karbondioksida yang signifikan diperlukan keseimbangan antara
pertumbuhan PDB riil dan konsumsi energi primer. Yang sudah barang tentu
tanpa menafikan peran pertumbuhan populasi ataupun laju pengurangan intensitas
energi. Oleh karena memang ketiga faktor antropogenik tersebut tidaklah berdiri
sendiri, melainkan hasil perkalian bersama antarfaktor di atas. Akan tetapi, dua
faktor pertama lebih dominan dalam signifikansi penurunan emisi karena saat dua
faktor tersebut dikendalikan maka peran dua faktor yang terakhir akan semakin
memperkuat. Dengan kata lain, jika ingin meningkatkan pertumbuhan PDB riil
maka pertumbuhan konsumsi energi primer harus dikendalikan termasuk
peningkatan efisiensi energinya.
Dengan memperhatikan hasil studi Hwang dan Yoo (2012) dan hasil analisis
studi ini dapat dirumuskan suatu saran kebijakan bahwa Indonesia perlu
mempertimbangkan untuk meningkatkan pertumbuhan ekonomi yang pesat dalam
jangka pendek untuk kemudian dilakukan penurunan laju pertumbuhan karena
dalam masa yang panjang berimplikasi kepada konsumsi energi yang semakin
13
besar dan peningkatan emisi karbondioksida yang tinggi pula, dimana antara
konsumsi energi dan emisi karbondioksida terdapat hubungan kausal-Granger dua
arah yang kuat. Begitu pun, untuk peningkatan konsumsi energi agar tidak
berdampak terhadap peningkatan emisi karbondioksida diperlukan upaya yang
serius dalam efisiensi dan penghematan energi termasuk peningkatan porsi Energi
Baru Terbarukan/EBT dalam sumber energi primer. Adapun untuk memperoleh
manfaat dari bonus demografi maka pemerintah Indonesai perlu meningkatkan
kualitas sumber daya manusia yang kompeten dan handal dalam meningkatkan
produktifitasnya dalam memacu pertumbuhan ekonomi yang pada gilirannya
menjadi penyokong peradaban dan pembangunan bangsa. Hal demikian,
diperlukan untuk dapat menjadikan Indonesia keluar dari jebakan negara
berpendapatan rendah dan menjadi negara dimana laju pertumbuhan ekonomi
berbanding terbalik dengan kerusakan lingkungan sesuai hipotesis Environmental
Kuznets Curve/EKC.
Begitu pun, dampak populasi dapat mengikuti pola Boserupian dimana
jumlah populasi yang besar pada gilirannya akan meningkatkan kemampuan
dalam penyediaan solusi dalam mengatasi permasalahan lingkungan. Seiring
dengan hal tersebut, intensitas energi pun diharapkan dapat mengurangi
peningkatan emisi karbondioksida. Oleh karena ketiga faktor memiliki keterkaitan
satu sama lain dalam peningkatan ataupun penurunan emisi karbondioksida, maka
diperlukan perumusan yang holistik antara ketiganya. Dengan demikian, tidak ada
faktor yang satu lebih superior dan yang lainnya inferior melainkan yang
diperlukan adalah menerapkan skala prioritas. Dan, yang mendapat prioritas
adalah peningkatan pertumbuhan ekonomi yang pesat dengan tetap dibarengi
peningkatan konsumsi energi meskipun porsinya lebih kecil daripada peningkatan
pertumbuhan ekonomi serta pengontrolan kuantitas manusia Indonesia tetapi
kualitasnya ditingkatkan. Dengan kata lain, laju kenaikan pertumbuhan PDB riil
dan laju pengurangan intensitas energi primer dapat ditetapkan tinggi sementara
laju pertambahan populasi dan laju peningkatan konsumsi energi primer bisa
dibuat sedang.
14
4. SIMPULAN
Populasi merupakan faktor dengan pengaruh dan kontribusi terbesar untuk
setiap kenaikan 1% terhadap emisi karbondioksida sebesar 1,26% dan 21,50%,
tetapi jika dilihat untuk kenaikan secara kumulatif maka PDB per kapita yang
memiliki pengaruh dan kontribusi terbesar dengan 2,64% dan 45,05%.
Adapun proyeksi emisi karbondioksida di Indonesia pada tahun 2020 akan
mencapai 700-800 megaton CO2 dimana periode pasca-2020 akan menunjukkan
tren kenaikan dimana setiap 5 tahun kenaikannya sekitar 200-300 megaton CO2.
Implikasi dan saran kebijakan yang diperoleh dari hasil penelitian, yaitu:
Indonesia sudah seharusnya meningkatkan pertumbuhan ekonomi yang pesat
disokong dengan memanfaatkan bonus demografi diiringi dengan peningkatan
konsumsi energi pada laju sedang dengan melirik kepada peningkatan porsi EBT
yang lebih besar dibarengi peningkatan efisiensi (melalui peningkatan yang tinggi
akan intensitas energi) dan penghematannya.
ACKNOWLEDGEMENT
Penelitian ini didukung oleh Pusbindiklatren Bappenas, untuk itu penulis
menyampaikan penghargaan dan ucapan terima kasih yang setinggi-tingginya atas
bantuan moril dan materialnya. Tak lupa, penghargaan serupa pun penulis tujukan
kepada Bapak Sunardi, Ph.D yang telah sudi untuk berdiskusi secara progresif dan
senantiasa memberikan masukan yang berharga selama proses penulisan ini.
15
DAFTAR PUSTAKA
Bappenas, BPS, dan UNFPA. 2013. Proyeksi Penduduk Indonesia: 2010-2035.Jakarta: Badan Pusat Statistik.
Birdsall, N. 1992. Another Look at Population and Global Warming. Population,Health and Nutrition Policy Research Working Paper, WPS 1020.Washington DC: World Bank.
Boden, T., B. Andres, and G. Marland. 2011. Ranking of the World’s Countries by2011 Total CO2 Emissions from Fossil-fuel Burning, Cement Prodution, andGas Flaring. Tennessee: Carbon Dioxide Information Analysis Center, OakRidge National Laboratory. Tersedia:https://www.cdiac.ornl.gov/trends/emis/top2011.tot. [Diakses: 4 October2015].
Bongaarts, J. 1992. Population Growth and Global Warming. Journal ofPopulation, Development Review (18), pp. 299-319.
Bowitz, E., V.S. Sasmitawidjaja, and G. Sugiarto. 1996. The Indonesian Economyand Emissions of CO2: An Analysis Based on the EnvironmentalMacroeconomic-Model MEMLI 1990-2020. Documents 96/2, StatisticsNorway Research Department.
BP. 2015. BP Energy Outlook 2035: February 2015. Tersedia:http://www.bp.com/energyoutlook. [Diakses: 27 September 2015].
BP. 2015. BP Statistical Review of World Energy: June 2015. Tersedia:http://www.bp.com/statisticalreview. [Diakses: 27 September 2015].
BPPT. 2014. Outlook Energi Indonesia 2014: Pengembangan Energi untukMendukung Program Substitusi BBM. Jakarta : Pusat TeknologiPengembangan Sumberdaya Energi, Badan Pengkajian dan PenerapanTeknologi.
BPS. 2015. Statistik Indonesia: Statistical Yearbook of Indonesia 2015. Jakarta:Badan Pusat Statistik.
Cunningham, W.P. and M.A Cunningham. 2006. Principles of EnvironmentalScience: Inquiry and Applications. Third Edition. New York: McGraw-HillCompanies, Inc.
DEN. 2014. Outlook Energi Indonesia 2014. Jakarta : Dewan Energi Nasional.
16
Dietz, T., E.A. Rosa. 1994. Rethinking the Environmental Impact of Population,Affluence, and Technology. Journal of Human Ecology Review (1), pp. 277-300.
Dietz, T., E.A. Rosa. 1997. Effects of Population and Affluence on CO2
Emissions. Proceedings of the National Academy of Sciences USA (94), pp.175-179.
Dietz, T., E.A. Rosa. 1998. Climate Change and Society. Journal of InternationalSociology 13 (4), pp. 421-455.
Fan, Y. et al. 2006. Analyzing Impact Factors of CO2 Emissions Using theSTIRPAT Model. Journal of Environmental Impact Assessment Review(26), pp. 377-395.
Hwang, J.H., S.H. Yoo. 2012. Energy Consumption, CO2 Emissions, andEconomic Growth: Evidence from Indonesia. DOI: 10.1007/s11135-012-9749-5, pp. 1-11.
IEA. 2008. Energy Policy Review of Indonesia. Paris: International EnergyAgency.
IEA. 2013. Southeast Asia Energy Outlook: World Energy Outlook SpecialReport. Paris: International Energy Agency.
IMF. 2015. World Economic Outlook Database: April 2015. Tersedia:https://www.imf.org/external/pubs/ft/weo/2015/01/weodata/index.aspx.[Diakses: 8 September 2015].
IPCC. 2001. Climate Change 2001 : The Scientific Basis. Contribution ofWorking Group I to the Third Assessment Report of the IntergovernmentalPanel on Climate Change. Houghton, J.T. et al (Eds.). Cambridge :Cambridge University Press.
IPCC. 2007. Climate change 2007: Mitigation. Contribution of Working GroupIII to the Fourth Assessment Report of the Intergovernmental Panel onClimate Change. B.Metz, O. R. Davison, P. R. Bosch, R. Dave, and L. A.Meyer (Eds). Cambridge: Cambridge University Press.
Kementerian Kementerian Energi dan Sumber Daya Mineral. 2006. BlueprintPengelolaan Energi Nasional 2006-2025. Jakarta : Kementerian Energi danSumber Daya Mineral.
Li, H. et al. 2011. Analysis on Influence Factors of China’s CO2 Emissions basedon Path-STIRPAT Model. Journal of Energy Policy (39), pp. 6906-6911.
17
Lundgren. L.W. 1999. Environmental Geology. Second Edition. New Jersey:Prentice-Hall, Inc.
Shi, A. 2003. The Impacts of Population Pressure on Global Carbon DioxideEmissions, 1975-1996: Evidence from Pooled Cross-Country Data. Journalof Ecological Economics (44), pp. 29-42.
Stern, P.C., O.R. Young, and D. Druckman. 1992. Global Environmental Change:Understanding the Human Dimensions. National Academy Press USA.
Thamrin, S. 2011. Indonesia’s National Mitigation Actions: Paving the Waytowards NAMAs. Tersedia: http://www.oecd.org/env/cc/48304156.pdf.[Diakses: 8 September 2015].
UN. Undated. Intensity of Energy Use, Total, and by Economic Activity. Tersedia:www.un.org/esa/sustdev/.../consumption.../energy_use_intensity.pdf.[Diakses: 4 September 2015].
UNEP. 2008. Kick The Habit: UN Guide to Climate Neutrality. Malta: ProgressPress, Ltd.
World Bank. 2014. World Development Indicator 2014. Tersedia:www.data.worldbank.org. [Diakses: 8 Desember 2014].
Yang, J. 2012. StatNews#83: Interpreting Coefficients in Regression with Log-Transformed Variables. Tersedia:https://www.cscu.cornell.edu/news/statnews/stnews83.pdf. [Diakses: 4Oktober 2015].
York, R., E.A. Rosa, T. Dietz. 2003a. A Rift in Modernity? Assessing theAnthropogenic Sources of Global Climate Change with the STIRPAT Model.International Journal of Sociology and Social Policy (23), pp. 31-51.
York, R., E.A. Rosa, T. Dietz. 2003b. Footprints on the Earth: the EnvironmentalConsequences of Modernity. Journal of American Sociological Review, pp.279-300.
York, R., E.A. Rosa, T. Dietz. 2003c. STIRPAT, IPAT and ImPACT: AnalyticTools for Unpacking the Driving Forces of Environmental Impacts. Journalof Ecological Economics (46), pp. 351-365.
18
Lampiran 1. Skenario BAU dan 20 Skenario Pembanding beserta Asumsinya
No.Kode
Skenario Komponen Nilai Sumber Acuan
0 BAU n 1,61% Tren 1980-2009Laju PDB riil 4,99%g 3,33%Laju konsumsienergi
5,97%
i 1,03%1 1-5-25 n 1% BPS, Bappenas, UNFPA
Laju PDB riil 5% IEA Energy Policy Review 2008g 3,96%Laju konsumsienergi
2,5% BP Energy Outlook 2035
i -1% PP No.79/20142 1-5-4 n 1%
Laju PDB riil 5%g 3,96%Laju konsumsienergi
4% BP Energy Outlook 2035
i -1%3 1-5-5 n 1%
Laju PDB riil 5%g 3,96%Laju konsumsienergi
5% Indonesia Energy Outlook 2014 –Dewan Energi Nasional
i -1%4 1-6-25 n 1%
Laju PDB riil 6% IEA Energy Policy Review 2008,Outlook Energy Indonesia 2014 -BPPT
g 4,95%Laju konsumsienergi
2,5%
i -1%5 1-6-4 n 1%
Laju PDB riil 6%g 4,95%Laju konsumsienergi
4%
i -1%6 1-6-5 n 1%
Laju PDB riil 6%
19
g 4,95%Laju konsumsienergi
5,64% Blueprint PEN 10 Nopember 2007
i -1%7 1-7-25 n 1%
Laju PDB riil 7% Outlook Energy Indonesia 2014 –BPPT, Perpres No. 32/2011
g 5,94%Laju konsumsienergi
2,5%
i -1%8 1-7-4 n 1%
Laju PDB riil 7%g 5,94%Laju konsumsienergi
4%
i -1%9 1-7-6 n 1%
Laju PDB riil 7%g 5,94%Laju konsumsienergi
6% Indonesia Energy Outlook 2014 –Dewan Energi Nasional
i -1%10 119-5-25 n 1,19% BPS, Bappenas, UNFPA
Laju PDB riil 5%g 3,96%Laju konsumsienergi
2,5%
i -1%11 119-5-4 n 1,19%
Laju PDB riil 5%g 3,96%Laju konsumsienergi
4%
i -1%12 119-5-5 n 1,19%
Laju PDB riil 5%g 3,96%Laju konsumsienergi
5%
i -1%13 119-6-25 n 1,19%
Laju PDB riil 6%g 4,95%Laju konsumsi 2,5%
20
energii -1%
14 119-6-4 n 1,19%Laju PDB riil 6%g 4,95%Laju konsumsienergi
4%
i -1%15 119-6-564 n 1,19%
Laju PDB riil 6%g 4,95%Laju konsumsienergi
5,64%
i -1%16 119-7-25 n 1,19%
Laju PDB riil 7%g 5,94%Laju konsumsienergi
2,5%
i -1%17 119-7-4 n 1,19%
Laju PDB riil 7%g 5,94%Laju konsumsienergi
4%
i -1%18 119-7-6 n 1,19%
Laju PDB riil 7%g 5,94%Laju konsumsienergi
6%
i -1%19 IEA n 0,9% Southeast Asia Energy Outlook
2011-2035 – World Energy Outlook2013 Special Report IEA
Laju PDB riil 4,9%g 3,32%Laju konsumsienergi
2,5%
i -2,3%20 KEN n 1% Indonesia Energy Outlook 2014 –
Dewan Energi NasionalLaju PDB riil 7,5%g 6,44%Laju konsumsienergi
5,13%
i -1%
21
Lampiran 2. Hasil Regresi RR dan OLS dalam Persamaan Linear
Ridge Regression ReportDataset D:\data 19802009 - CONSTANT 2010 IDR - WDIWEOBP.xlsxDependent ln_CO2Emissions
Least Squares Multicollinearity SectionIndependent Variance R-SquaredVariable Inflation Vs Other X's Toleranceln_Population 90.5063 0.9890 0.0110ln_GDPpc 56.9524 0.9824 0.0176ln_EI 8.9064 0.8877 0.1123Since some VIF's are greater than 10, multicollinearity is a problem.
Eigenvalues of Correlations
Incremental Cumulative ConditionNo. Eigenvalue Percent Percent Number1 2.773876 92.46 92.46 1.002 0.219521 7.32 99.78 12.643 0.006603 0.22 100.00 420.10Some Condition Numbers greater than 100. Multicollinearity is a MILD problem.
Eigenvector of Correlations
No. Eigenvalue ln_Population ln_GDPpc ln_EI1 2.773876 -0.595959 -0.579725 -0.5556552 0.219521 0.222639 0.545547 -0.8079673 0.006603 0.771534 -0.605225 -0.196054
Ridge vs. Least Squares Comparison Section for k = 0.127888
Regular Regular Stand'zed Stand'zed Ridge L.S.Independent Ridge L.S. Ridge L.S. Standard StandardVariable Coeff's Coeff's Coeff's Coeff's Error ErrorIntercept -10.28536 1.64167ln_Population 1.26463 0.08470229 0.3637 0.0244 0.1156388 0.7711803ln_GDPpc 0.792879 1.455928 0.4605 0.8457 0.07789943 0.302884ln_EI 0.4462734 0.4740539 0.1403 0.1490 0.1853443 0.221295
R-Squared 0.9323 0.9859Sigma 0.1319 0.0602
22
Lampiran 3. Hasil Regresi RR dan OLS dalam Persamaan Polinomial
Ridge Regression ReportDataset D:\data 19802009 - CONSTANT 2010 IDR - WDIWEOBP.xlsxDependent ln_CO2Emissions
Least Squares Multicollinearity SectionIndependent Variance R-SquaredVariable Inflation Vs Other X's Toleranceln_Population 2469729.7753 1.0000 0.0000lnPop_Quad 2478491.0704 1.0000 0.0000ln_GDPpc 631593.2425 1.0000 0.0000lnGDPpc_Quad632367.5030 1.0000 0.0000ln_EI 21.1775 0.9528 0.0472Since some VIF's are greater than 10, multicollinearity is a problem.
Eigenvalues of Correlations
Incremental Cumulative ConditionNo. Eigenvalue Percent Percent Number1 4.718073 94.36 94.36 1.002 0.269272 5.39 99.75 17.523 0.012631 0.25 100.00 373.554 0.000025 0.00 100.00 191738.115 0.000000 0.00 100.00 29117493.04Some Condition Numbers greater than 1000. Multicollinearity is a SEVERE problem.
Ridge vs. Least Squares Comparison Section for k = 0.322897Regular Regular Stand'zed Stand'zed Ridge L.S.
Independent Ridge L.S. Ridge L.S. Standard StandardVariable Coeff's Coeff's Coeff's Coeff's Error ErrorIntercept -3.106441 378.8664ln_Population 0.6636226 -29.77069 0.1909 -8.5617 0.05483457 111.5709lnPop_Quad 0.01747673 0.770052 0.1914 8.4349 0.001446992 2.934482ln_GDPpc 0.385908 -8.752012 0.2242 -5.0837 0.03901096 27.93501lnGDPpc_Quad 0.01165815 0.3111477 0.2255 6.0176 0.001178004 0.8395168ln_EI 0.363291 0.7146732 0.1142 0.2247 0.1464188 0.2988598
R-Squared 0.9178 0.9900Sigma 0.1512 0.0527
23
Lampiran 4. Proyeksi Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario
2010 2011Series0 482,53 507,42Series1 478,18 494,04Series2 478,18 497,25Series3 478,18 499,38Series4 478,18 495,66Series5 478,18 498,89Series6 478,18 502,38Series7 478,18 497,28Series8 478,18 500,51Series9 478,18 504,78Series10 478,18 494,47Series11 478,18 497,69Series12 478,18 499,82Series13 478,18 496,10Series14 478,18 499,33Series15 478,18 502,83Series16 478,18 497,72Series17 478,18 500,96Series18 478,18 505,23Series19 475,37 490,74Series20 478,18 503,74
0
200
400
600
800
1,000
1,200
1,400
1,600
1,800
2,000Em
isi C
O2
(Juta
Ton
)
23
Lampiran 4. Proyeksi Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario
2011 2012 2013 2014 2015 2016 2017507,42 533,59 561,11 590,05 620,48 652,48 686,14494,04 510,42 527,35 544,83 562,90 581,57 600,86497,25 517,08 537,70 559,15 581,45 604,64 628,76499,38 521,52 544,64 568,78 594,00 620,33 647,84495,66 513,78 532,57 552,04 572,23 593,15 614,84498,89 520,49 543,03 566,55 591,08 616,68 643,38502,38 527,81 554,52 582,59 612,08 643,06 675,61497,28 517,14 537,79 559,28 581,61 604,84 629,00500,51 523,89 548,36 573,97 600,78 628,84 658,21504,78 532,87 562,52 593,82 626,86 661,74 698,56494,47 511,32 528,75 546,77 565,40 584,67 604,60497,69 518,00 539,14 561,14 584,03 607,87 632,67499,82 522,44 546,09 570,80 596,64 623,64 651,87496,10 514,70 533,99 554,00 574,77 596,31 618,66499,33 521,41 544,48 568,56 593,71 619,97 647,39502,83 528,75 556,00 584,66 614,80 646,49 679,82497,72 518,06 539,23 561,26 584,20 608,07 632,92500,96 524,82 549,82 576,01 603,45 632,19 662,31505,23 533,82 564,02 595,93 629,65 665,27 702,91490,74 506,61 522,99 539,90 557,36 575,39 594,00503,74 530,68 559,05 588,94 620,43 653,61 688,55
23
Lampiran 4. Proyeksi Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario
2017 2018 2019 2020 2021 2022 2023686,14 721,52 758,74 797,87 839,02 882,30 927,80 975,65600,86 620,78 641,37 662,64 684,61 707,32 730,78 755,01628,76 653,83 679,91 707,03 735,22 764,55 795,04 826,75647,84 676,56 706,55 737,87 770,59 804,75 840,43 877,69614,84 637,32 660,62 684,77 709,81 735,76 762,66 790,55643,38 671,24 700,31 730,64 762,28 795,29 829,73 865,66675,61 709,81 745,73 783,48 823,14 864,80 908,57 954,56629,00 654,13 680,25 707,42 735,68 765,07 795,62 827,40658,21 688,95 721,13 754,81 790,07 826,97 865,59 906,02698,56 737,43 778,47 821,78 867,51 915,78 966,73 1,020,604,60 625,20 646,51 668,54 691,32 714,88 739,25 764,44632,67 658,49 685,36 713,32 742,43 772,73 804,26 837,08651,87 681,37 712,21 744,45 778,14 813,36 850,17 888,65618,66 641,85 665,91 690,87 716,77 743,63 771,50 800,42647,39 676,02 705,92 737,15 769,75 803,80 839,35 876,48679,82 714,86 751,71 790,46 831,20 874,05 919,11 966,48632,92 658,78 685,70 713,72 742,89 773,25 804,85 837,74662,31 693,86 726,91 761,53 797,81 835,81 875,63 917,34702,91 742,68 784,70 829,10 876,01 925,57 977,94 1,033,594,00 613,21 633,04 653,51 674,64 696,46 718,98 742,24688,55 725,37 764,15 805,01 848,05 893,39 941,16 991,48
23
Lampiran 4. Proyeksi Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario
2024 2025 2026 2027 2028 2029 2030927,80 975,65 1,025, 1,078, 1,134, 1,193, 1,254, 1,319,730,78 755,01 780,05 805,92 832,64 860,26 888,79 918,26795,04 826,75 859,72 894,01 929,67 966,74 1,005, 1,045,840,43 877,69 916,60 957,23 999,67 1,043, 1,090, 1,138,762,66 790,55 819,45 849,41 880,47 912,66 946,03 980,62829,73 865,66 903,15 942,26 983,07 1,025, 1,070, 1,116,908,57 954,56 1,002, 1,053, 1,106, 1,163, 1,221, 1,283,795,62 827,40 860,45 894,82 930,56 967,73 1,006, 1,046,865,59 906,02 948,34 992,63 1,038, 1,087, 1,138, 1,191,966,73 1,020, 1,077, 1,137, 1,200, 1,267, 1,337, 1,412,739,25 764,44 790,49 817,43 845,29 874,10 903,88 934,69804,26 837,08 871,23 906,78 943,79 982,30 1,022, 1,064,850,17 888,65 928,87 970,91 1,014, 1,060, 1,108, 1,158,771,50 800,42 830,42 861,55 893,84 927,35 962,11 998,17839,35 876,48 915,24 955,73 998,00 1,042, 1,088, 1,136,919,11 966,48 1,016, 1,068, 1,123, 1,181, 1,242, 1,306,804,85 837,74 871,97 907,60 944,69 983,30 1,023, 1,065,875,63 917,34 961,03 1,006, 1,054, 1,105, 1,157, 1,212,977,94 1,033, 1,091, 1,153, 1,218, 1,287, 1,360, 1,437,718,98 742,24 766,24 791,02 816,60 843,01 870,27 898,41941,16 991,48 1,044, 1,100, 1,159, 1,221, 1,286, 1,355,
23
Lampiran 4. Proyeksi Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario
2030 2031 2032 2033 2034 20351,319, 1,387, 1,458, 1,534, 1,613, 1,696,918,26 948,71 980,17 1,012, 1,046, 1,080,1,045, 1,087, 1,130, 1,175, 1,222, 1,271,1,138, 1,189, 1,241, 1,296, 1,354, 1,414,980,62 1,016, 1,053, 1,092, 1,132, 1,173,1,116, 1,164, 1,215, 1,267, 1,322, 1,379,1,283, 1,348, 1,416, 1,488, 1,564, 1,643,1,046, 1,088, 1,131, 1,177, 1,224, 1,272,1,191, 1,247, 1,305, 1,366, 1,430, 1,496,1,412, 1,490, 1,573, 1,661, 1,753, 1,851,934,69 966,54 999,48 1,033, 1,068, 1,105,1,064, 1,107, 1,152, 1,199, 1,248, 1,299,1,158, 1,211, 1,266, 1,323, 1,383, 1,446,998,17 1,035, 1,074, 1,114, 1,156, 1,199,1,136, 1,186, 1,239, 1,293, 1,351, 1,410,1,306, 1,374, 1,444, 1,519, 1,597, 1,680,1,065, 1,108, 1,154, 1,201, 1,250, 1,301,1,212, 1,270, 1,331, 1,394, 1,460, 1,530,1,437, 1,518, 1,604, 1,695, 1,791, 1,892,898,41 927,47 957,46 988,42 1,020, 1,053,1,355, 1,427, 1,504, 1,584, 1,669, 1,758,
23
Lampiran 4. Proyeksi Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario
24
Lampiran 5. Proyeksi Persentase Pengurangan Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario
-40
-35
-30
-25
-20
-15
-10
-5
0
5
10
152010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2032
2033
2034
2035
Pers
en
Series1 Series2 Series3 Series4 Series5
Series6 Series7 Series8 Series9 Series11
Series10 Series12 Series13 Series14 Series15
Series16 Series17 Series18 Series19 Series20